Desktop-Version

Start arrow Betriebswirtschaft & Management arrow Erfolgsfaktoren für Innovation in Unternehmen

< Zurück   INHALT   Weiter >

5.4.3 Korrelationen

Für die Bildung von sinnvollen Faktoren ist eine hohe Korrelation der Items untereinander entscheidend, auch wenn die Korrelation kein Itemkennwert an sich ist, sondern sich aus dem Zusammenspiel mit den anderen Items ergibt. Niedrige Korrelationen eines Items zu sämtlichen anderen Items zeigen, dass dieses Item keine Gemeinsamkeiten mit den anderen Items hat und daher bei einer nachfolgenden Faktoranalyse nicht sinnvoll einem Faktor zugeordnet werden kann.

Drei der vier betroffenen Items (vgl. Tabelle 5) gehören zu der Frage: „What are the main hurdles for capturing innovation opportunities in your business unit?“, eines be-

Tabelle 5: Items mit keiner Korrelation von mindestens 0,5 zu einem Item

Items

kleinste Korrelation

negative

positive

Q15 Geographic expansion – In the past, what were your company's/ BU's key drivers for profitable growth?

–0,075

0,216

Q24 Technology often behind – What are the main hurdles for capturing innovation opportunities in your business unit?

–0,144

0,191

Q26 Lack of customer insights – What are the main hurdles for capturing innovation opportunities in your business unit?

–0,216

0,226

Q27 Not enough resources (e.g., R&D budget, capex) – What are the main hurdles for capturing innovation opportunities in your business unit?

–0,127

0,186

zieht sich auf geografische Expansion. Nachdem dies kein innovationsrelevantes Thema ist, erschließt sich für dieses Item (Q15) leicht, warum dieses mit den anderen innovation-bezogenen Items keine Beziehung hat.

Inhaltlich ist dies für die anderen drei Items nicht so klar. Interessant ist, dass aus insgesamt 8 Items zu der Frage nach den Hürden für Innovation lediglich 2 so beantwortet wurden, dass sie durch die definierten Filter gekommen sind, nämlich: „Q29 Ineffective rollout commercialization“ und „Ineffective innovation processes (e.g., lack of cross-functional cooperation)“.

Damit wurden nun insgesamt 85 Items für die folgende Faktoranalyse selektiert.

5.4.4 Measure of Sample Adequacy (MSA)

In eine ähnliche Richtung wie die Analyse der Korrelationen der Items geht der Test

„Measure of Sample Adequacy“. Auch hier geht es um das Zusammenspiel der Items. Die MSA funktioniert wie die „Kaiser-Meyer-Olkin measure of sampling adequacy“ (KMO) und gibt einen Anhaltspunkt, ob ein Item für eine Faktoranalyse geeignet ist. Die Werte finden sich auf der Diagonalen der Anti-Image-KorrelationsMatrix. Dabei werden Werte ab 0,5 als tolerabel eingestuft (vgl. Kaiser, 1974). Sollte ein Item einen geringeren Wert aufweisen, wird empfohlen, es auszuschließen oder mehr Daten zu erheben. Werte zwischen 0,5 und 0,7 sind mittelmäßig, Werte zwischen 0,7 und 0,8 gut, von 0,8 bis 0,9 sehr gut und darüber herausragend (vgl. Hutcheson & Sofroniou, 1999).

Im vorliegenden Fall sind alle MSA-Werte der Items über 0,5. Damit sind alle Items im tolerablen Bereich. Sogar fallen 60 Items mit > 0,9 in die höchste Kategorie und eignen sich damit herausragend für eine Faktoranalyse. Die vorherige sorgfältige Selektion zahlt sich somit aus und es verbleiben weiterhin 85 selektierte Items für die Faktoranalyse.

 
< Zurück   INHALT   Weiter >

Related topics